Grad--Shafranov
PulseAugur coverage of Grad--Shafranov — every cluster mentioning Grad--Shafranov across labs, papers, and developer communities, ranked by signal.
-
AI 模型在实时托卡马克等离子体预测方面进行基准测试
研究人员开发了一个 AI 代理建模框架，用于实时预测托卡马克等离子体平衡，解决了传统 Grad-Shafranov 求解器的高计算成本问题。该研究在大型数据集上对五种神经网络架构——MLP、CNN、FNO、Transformer 和 KAN——进行了基准测试，评估了它们的准确性、效率和鲁棒性。虽然 Transformer 模型在分布内数据上实现了最高的准确性，但 CNN 在速度和可靠性方面表现出最佳的整体平衡，而 CNN 和 FNO …
-
神经网络实现聚变反应堆等离子体实时控制
研究人员开发了神经网络模拟器，为托卡马克聚变反应堆中的等离子体形状控制创建了实时虚拟电路。该方法使用大量的模拟等离子体平衡数据集来训练模拟器，模拟器可以快速推导出准确的虚拟电路，克服了预计算电路的局限性，这些电路在等离子体条件偏离参考点时性能会下降。经过验证的模拟器显示出高精度和正交性，为实时等离子体控制提供了一种可扩展且通用的替代方案。
-
神经算子框架加速聚变平衡重建
研究人员开发了一种新颖的神经算子框架，以加速聚变设备中磁流体动力学平衡的实时重建。该方法将平衡重建重塑为跨设备算子学习问题，直接将几何和剖面参数映射到极向磁通场。小波神经算子架构展示了强大的跨几何性能，在有限的标记数据下实现了低相对 L2 误差，并实现了毫秒级推理。
-
神经网络实现等离子体实时控制电路
研究人员开发了神经网络模拟器，用于在托卡马克装置中生成用于等离子体形状实时控制的虚拟电路。该方法使用大量的模拟平衡数据集来训练模拟器，模拟器可以快速推导出精确的控制向量。该方法旨在改进依赖预计算虚拟电路的传统技术，因为等离子体配置的演变会导致这些技术的性能下降。